共查询到20条相似文献,搜索用时 203 毫秒
1.
选取三景北京市2013年TM 遥感影像作为数据源,结合地面样地调查,采用多元回归估计的方法,建立三维绿量与遥感灰度值、GIS 信息之间的反演模型,对北京市大尺度的森林三维绿量进行估测。结果表明,模型的精度分别达到83.16%、82.48%,R为0.85、0.88,预估模型精度满足要求,可用于北京市绿化三维绿量的估测和生态环境效应的估算、分析与评价。 相似文献
2.
3.
《西南林业大学学报》2017,(3)
以小班为研究单位,基于香格里拉市2006年TM影像、森林资源二类调查数据,利用随机选取的小班样地遥感因子平均值建立数据集,筛选出78个样地数据(60个训练数据和18个验证数据)及14个遥感因子,通过蓄积计算森林生物量,建立了基于遥感因子的高山松生物量估测的逐步回归模型和偏最小二乘模型。结果表明:逐步回归模型的精度(R=0.518、RMSE=34.265 t/hm~2、rRMSE=47.046%)要高于偏最小二乘模型的精度(R=0.514、RMSE=35.320t/hm~2、rRMSE=48.494%)。研究结果可为高海拔地区遥感生物量建模、生态环境保护与规划提供参考依据。 相似文献
4.
《西南林业大学学报》2020,(1)
以曲靖市云南松林为研究对象,基于2016年曲靖市二类调查数据以及同时期Landsat 8OLI遥感影像,利用随机选取的小班样地提取遥感因子统计值建立数据集,基于不同曲线拟合定量研究曲靖市云南松林生物量估测的光饱和值;并以线性逐步回归模型为基本模型,考虑区域和龄组随机效应建立云南松林生物量遥感估测模型,以期减小生物量遥感估测中光饱和引起的估测误差。结果表明:利用三次模型拟合研究区云南松生物量饱和值为167 t/ha;不同效应水平的混合模型的拟合精度均优于一般逐步回归模型。在独立性样本检验中混合效应模型的预估精度(91.556%)要高于一般逐步回归模型的预估精度(83.826%);从生物量分段残差检验结果与研究区生物量反演结果上看,混合效应模型相较于一般逐步回归模型有着更大的估测范围,在一定程度上能够解决高值低估和低值高估问题,减小光学遥感影像数据存在数据饱和的影响。 相似文献
5.
科学的样地调查是利用遥感方法进行森林生物量估测的重要前提,也是提高生物量估测精度的基础。通过回顾国内外利用遥感估测森林生物量研究领域中样地调查的方法,并对其进行归纳分析可知,调查方法根据不同的遥感数据源、研究区和调查对象而不同,涉及到样地的个数、样地布设、样地形状及大小、样地调查因子和内容等方面。由此提出了样地调查的建议,以期减少今后利用遥感估测森林生物量的不确定性。 相似文献
6.
多元线性回归与神经网络模型在森林地上生物量遥感估测中的应用 总被引:3,自引:0,他引:3
利用遥感影像构建森林生物量估测模型,能够快速、实时估算区域森林生物量。采用吉水县TM影像以及森林资源调查固定样地数据,构建估算森林地上生物量的多元线性回归模型及BP神经网络模型,并对两种模型进行了比较。结果表明:两种模型对样地生物量的预测值大部分比实测值小,多元线性回归模型预测值与实测值的偏差幅度比BP神经网络模型更大,偏差幅度分别为-110.24~38.09 t·hm-2、-35.12~26.17 t·hm-2;多元线性回归模型与BP神经网络模型的决定系数(R2)分别为0.470和0.869,均方根误差(RMSE)分别为30.52和12.69 t·hm-2,预测精度分别为50.07%和71.65%。因此,运用BP神经网络模型估测森林地上生物量优于多元线性回归模型。 相似文献
7.
利用TM遥感数据以及同期获得的野外调查样地数据,研究了河北省丰宁满族自治县森林地上生物量的遥感估测技术。提取TM遥感影像6个波段反射率及DVI、NDVI、PVI、RVI、VI3、SLAVI和SAVI 7个植被指数,分析了森林样地地上生物量与各个因子间的关系,得出相关系数较小(均小于0.400);因此采用Stepwise逐步回归法,建立了多元回归模型。结果表明,ρ2、ρ3、ρ4、ρ54波段反射率和有效叶面积植被指数(SLAVI)结合建立的多元回归模型,可用于森林生物量的遥感估测,估测的R2值达0.730,留一交叉验证均方根误差RMSE最小,达33.712。利用2008年的全覆盖TM影像,结合丰宁遥感分类图像,获得了丰宁县2008年森林地上生物量分布图,森林植被总生物量为1.805×107t。 相似文献
8.
利用landsat5影像和通过蓄积量-生物量转换方法获得的样地生物量数据,从宜良县云南松林遥感特征、地形特征、郁闭度等方面选取自变量,采用随机森林回归和偏最小二乘法进行生物量遥感估测建模。结果表明:随机森林回归估测模型调整决定系数R2为0.881,模型估测精度为82.3%;偏最小二乘模型的调整决定系数R2为0.753,模型估测精度为78.43%。随机森林回归在模型拟合效果和检验精度上均优于偏最小二乘模型。 相似文献
9.
《西南林业大学学报》2020,(4)
针对光学影像在森林生物量遥感估测中尺度不确定性问题,以香格里拉市高山松林为研究对象,基于SPOT-5影像,结合92块角规样地数据,在不同观测尺度下构建偏最小二乘回归模型,并对不同观测尺度下的遥感估测模型精度进行对比分析。结果表明:样地的合理观测尺度上限为70 m,生物量估测的最优空间尺度为50 m,此时PLS模型的RMSE最小为20.001 9 t/hm2,R2和精度P最大,分别为0.505 8、66.20%。 相似文献
10.
以滇西北典型代表区域的迪庆州香格里拉市云冷杉为研究对象,运用Landsat 8遥感影像数据结合地面角控样地调查数据,建立云冷杉BPNN和SVM估测模型,进行对比分析。结果表明:SVM模型精度明显优于BPNN模型,其R2、r RMSE和P分别为0.67、27.91%和77.09%。利用SVM遥感估测模型得到香格里拉市云冷杉林总蓄积量与传统森林资源二类调查当年的统计结果误差仅为1.14%,SVM估测模型可为今后森林蓄积量估测提供参考。 相似文献
11.
基于Landsat-8遥感影像结合同期的野外调查样地数据,建立青海省西宁市南北山森林生物量估测模型。通过对Landsat-8遥感数据6个原始波段的灰度值和4个常用植被指数(DVI、NDVI、EVI、SAVI),开展主成分分析后得到主分量PCA1、缨帽变换得到BRIGHT、GREEN、WET,分析遥感信息与生物量的相关性,运用逐步回归分析法建立研究区森林生物量回归估测模型:B=119.495+3.704E-24eDVI+0.026OLI-52-3.478OLI-5(R2=0.554,p<0.01),经检验模型的平均相对误差为13.509%,反演得到西宁市单位面积森林生物量为5.227 t/hm2,总森林生物量为998 991.768 t。结合西宁市遥感影像,绘制了西宁市森林生物量分布图。 相似文献
12.
《西南林业大学学报》2016,(3)
以ALOS PALSAR L波段双极化FBD微波遥感数据及多光谱光学遥感数据AVNIR-2为基础,对数据进行预处理,利用地面云南松林样地坐标,提取HH、HV双极化后向散射系数及极化比值3个因子,结合光学遥感数据提取4个波段值及NDVI、RVI 2个植被指数,作为云南松林生物量估测因子。分别以微波数据、光学数据、微波及光学数据结合的多源遥感数据,建立3个云南松林生物量估测模型。结果表明:所建模型经方差分析均达到显著相关或极显著相关水平;PALSAR L波段双极化后向散射系数,可以反映森林生物量的变化,但反演精度有待进一步提高;AVNIR-2数据模型优于PALSAR L波段双极化数据模型;多源数据模型与光学数据模型的估测精度相近。 相似文献
13.
以石台县为研究地,结合Rapideye高分遥感影像和不同森林类型样地林木地上生物量调查数据,采用Pearson双变量相关分析方法筛选模型变量,分别用多元线性回归和随机森林算法建立不同森林类型的遥感地上生物量估测模型,并进行模型估测精度对比分析。结果表明,叶绿素红边模型(CRM)与叶绿素绿波模型(CGM)2个指数与针叶林、阔叶林生物量在0.01水平上的相关性极显著,且在其多元线性回归模型和随机森林模型中两者均被挑选为建模变量。另外,与生物量相关性较强的纹理特征主要集中的红光波段和红边波段,且仅MEAN、VAR、SM3个滤波对生物量估测贡献较大,可作为建模变量。阔叶林、针叶林和针阔混交林3种森林类型的地上生物量模型估测精度均表现为随机森林模型优于多元线性回归模型。随机森林模型生物估测绝对均方误差在12.8760~36.5363之间,相对均方误差在20.20%~45.95%之间;多元线性回归生物量估测绝对均方误差在22.0425~46.4494之间,相对均方误差在34.58%~58.42%之间。 相似文献
14.
《西北林学院学报》2016,(1)
森林蓄积量遥感估测在森林资源管理中具有十分重要的意义。以建德市为研究区,利用2007年TM遥感影像和2007年森林资源2类调查数据,对杉木树种分立地质量等级和不分地位等级2种类型建立蓄积量的遥感估测模型,并进行精度检验。其中立地质量等级依据小班平均高和平均年龄建立的地位级表划分为好、中、差3种类型,以每个小班的总蓄积量为因变量,小班各单个遥感因子信息总量为自变量。结果表明:以TM遥感影像主成分分析中第1主成分为自变量的模型拟合效果最好,相关系数R均在0.67以上,最高为0.868;利用预留独立样本对模型精度进行验证,不分地位级总体估测精度为90.31%,分立地质量等级好、中、差3种类型总体的估测精度分别为96.1%、97.24%、95.56%,分立地质量类型建模的精度明显优于统一建模的精度。研究结果为森林蓄积量遥感估测提供一种改进的思路,且为提高森林生物量和碳储量遥感估测精度提供一种参考方法。 相似文献
15.
应用Landsat8 OLI和GBRT对高山松地上生物量的估测 总被引:1,自引:0,他引:1
依据香格里拉市Landsat8 OLI提取的因子和外业调查的高山松样地地上生物量,利用梯度提升回归树(GBRT)建立了地上生物量与遥感因子的估测模型,并与随机森林、多元线性回归、偏最小二乘方法进行了对比。结果表明:纹理信息对生物量有重要影响,其中熵、相关性和Landsat8 OLI近红外波段的信息对生物量的影响最大;采用GBRT进行建模,当迭代次数大于200次时,偏差降低减缓,GBRT建模方法的精度评价指标(R2=0.96,rRMSE=8.80%,P=73.88%)均优于其他3个模型。应用Landsat数据进行森林地上生物量估测的不确定因素较多,GBRT可作为高山松及其他树种地上地上生物量遥感估测的另一新方法。 相似文献
16.
【目的】研究林地遥感因子与蓄积量的关系来反演天山云杉林分蓄积量,为新疆天然林保护工程实施后天山云杉生态恢复与科学管理提供参考依据。【方法】以新疆天山西部巩留县恰国家西森林公园的天山云杉(Picea schrenkiana var.tianshanica)为研究对象,以样地内每木检尺为依据,基于WorldView-2影像,使用eCognition Developer 提取样地的光谱信息、纹理因子与植被指数三种遥感因子,通过随机森林算法建立模型反演天山云杉林分蓄积量。【结果】提取的24种遥感因子,筛选出对蓄积量影响最大的5种特征变量,分别为NDVI1、NDVI2、RVI2、均一性(Homogeneity)与相关性(Correlation),建立随机森林回归模型,解释度高达81.27%,决定系数R2=0.8648(P<0.05),估测样地蓄积量精度为86.38%。【结论】建立的随机森林回归模型可以有效地反演天山云杉林林分蓄积量。 相似文献
17.
基于遥感的高山松连清固定样地地上生物量估测模型构建 总被引:2,自引:0,他引:2
18.
应用Sentinel-2A卫星光谱与纹理信息的森林蓄积量估算 总被引:1,自引:0,他引:1
以Sentinel-2A为遥感数据源,以第九次森林资源清查数据为样地实测数据,对吉林省中东部的森林蓄积量进行反演。通过对遥感影像进行处理,获取影像的波段光谱值、植被指数,降维处理纹理特征以及地形因子;采用多元线性回归、偏最小二乘法、随机森林、支持向量机等构建了研究区的森林蓄积量估算模型,对检验样本做出了估测。结果表明:机器学习法在反演结果上均优于传统建模方法,随机森林法结果最优,相对误差为17.88%,方程精度为82.12%。 相似文献
19.
基于随机森林算法的橡胶林地上生物量遥感反演研究--以景洪市为例 总被引:1,自引:0,他引:1
以景洪市橡胶林为研究对象,将获得的样地植被指数和生物量数据用随机森林方法建立相关关系,将建立的关系用 Landsat TM影像反演出整个研究区域的生物量分布,用影像和实地样地调查数据进行分析和验证,实现光学遥感的大范围生物量反演。在反演过程中将植被指数作为自变量,使用 R 语言环境下的随机森林方法进行变量筛选和建模,并对该方法的适用性进行分析评价。结果表明:随机森林算法适用于森林生物量反演;选择的变量为可见光大气阻抗植被指数(VARI)、简单比值指数(RVI)、归一化植被指数(NDVI)、水分胁迫指数(MSI)、中红外指数(MidIR);总体模型反演精度 R2=0.43,RMSE =46.05。反演结果对于生物量密度较低的区域回归效果较好,对于生物量超过200 t/hm2的地区,反演结果偏低,且随着生物量密度的增加,反演结果偏差逐渐增大。 相似文献
20.
基于像元二分模型的森林郁闭度估测方法 总被引:3,自引:0,他引:3
以遥感影像与森林资源一类调查数据为基础,基于归一化植被指数(NDVI)的像元二分模型对密云县森林郁闭度进行遥感估测,模型的纯像元植被指数通过样地数据来确定.经验证,模型估测值与实测值相关系数为0.73,相对误差为14.40%.结果说明,采用像元二分模型与森林资源一类调查数据结合进行森林郁闭度估测,技术路线简单可靠,精度可满足要求,同时能弥补TM影像分辨率的不足,具有一定的推广价值. 相似文献